[发明专利]工具面状态的预测方法和系统、滑动定向钻井方法和系统

说明书

本发明提供了一种工具面状态的预测方法和系统、滑动定向钻井方法和系统，所述工具面状态的预测方法包括：采集滑动定向钻井作业的扭摆系统数据、随钻测量系统数据、录井系统数据和井身数据；选择采集数据的至少一类作为特征，并按时间戳进行融合，形成时间序列数据集；使用所述数据集逐个训练LSTM神经网络模型，获得基于LSTM的工具面状态预测模型；滑动定向钻井作业过程中，以当前时刻和前4个时刻的工具面状态、目标工具面、正向扭矩和反向扭矩构成数据序列作为输入，获得未来3个时刻的工具面状态的预测结果。本发明可判断工具面未来的运动状态，并给出相应控制参数作为工程师的参考。

技术领域

本发明涉及油气钻井工程技术领域，具体来讲，涉及一种工具面状态的预测方法、工具面状态的预测系统、滑动定向钻井方法和滑动定向钻井系统。

背景技术

工具面角度控制是滑动定向井眼轨迹控制的关键，人工滑动定向钻进过程中，工程师根据历史滑动定向参数与工具面角变化情况，经验性预测未来工具面变化趋势，从而采取对应的控制策略。但在自动滑动定向钻进时，由于缺乏对未来工具面进行有效预测的机制，导致控制策略缺乏预见性，工具面控制难以达到理想的效果。因此，形成一套滑动定向工具面预测方法，对于提高滑动定向轨迹控制效率具有重要意义。

例如，于2021年2月12日公开的名称为基于机器学习的滑动定向钻井工具面状态辨识方法、公开号为CN112360341A的专利文献记载了一种基于机器学习的滑动定向钻井工具面状态辨识方法，其提出了一种滑动定向钻井工具面的离散状态模型，在此基础上，对各种状态进行Onehot编码并构建BP神经网络，训练后得到工具面状态辨识网络，可对工具面错误数据、稳定状态、变化方向和变化速度等状态进行准确辨识，实现了工具面状态的实时监控，解决了工具面状态人工辨识难度大、准确率低等问题，从而辅助现场工程师进行滑动定向钻井作业。然而，该专利申请存在以下缺陷：仅能够实现工具面状态的实时监控和判断，不能提前预测和判定工具面运动状态；仅能够辅助工程师得到工具面的实时状态，而不能帮助工程师进一步给出对未来运动状态的控制参数。

发明内容

本发明的目的在于解决现有技术存在的上述不足中的至少一项。例如，本发明的目的之一在于提供一种能够有效判断工具面未来运动状态的工具面状态的预测方法和系统。

为了实现上述目的，本发明一方面提供了一种工具面状态的预测方法，所述预测方法包括：

步骤S1、采集滑动定向钻井作业的扭摆系统数据、随钻测量系统数据、录井系统数据和井身数据；

步骤S2、选择扭摆系统数据、随钻测量系统数据、录井系统数据和井身数据中的至少一类作为数据特征，并按时间戳进行融合，形成时间序列数据集；

步骤S3、使用时间序列数据集逐个训练LSTM神经网络模型，获得基于LSTM的工具面状态预测模型；

步骤S4、滑动定向钻井作业过程中，以当前时刻和前4个时刻的实际工具面、目标工具面、正向扭矩和反向扭矩作为输入数据序列，获得未来3个时刻的工具面状态的预测结果。

在本发明的工具面状态的预测方法的一个示例性实施例中，所述扭摆系统数据可包括正向扭矩、反向扭矩、正向转速、反向转速、正向保持时间和反向保持时间；所述随钻测量系统数据可包括目标工具面和实际工具面；所述录井系统数据包括钻压和排量；所述井身数据可包括井深、水平段长和井斜角。

在本发明的工具面状态的预测方法的一个示例性实施例中，所述扭摆系统数据的采集频率可为30s/次~1200s/次；所述随钻测量系统数据的采集频率可为20s/次~180s/次；所述录井系统数据的采集频率可为4s/次~5s/次。

在本发明的工具面状态的预测方法的一个示例性实施例中，步骤S2可包括：对时间序列数据集进行数据清洗，以去除无效数据和冗余数据。